I have a training data frame with 1335006 observations and a validation data frame with 1317308 observations.
I made a logit regression in the training data frame and when I executed this code
Validationdataframe$plogit <- predict(logit, type="response")
I obtained the following error message:
Error: Assigned data `predict(logit, type = "response")` must be compatible with existing data.
Can you help me finding a solution?
I think you forgot to supply the newdata argument to predict.
Validationdataframe$plogit <- predict(logit, Validationdataframe, type="response")
You're welcome.
What happened in that code specifically was it recognized there was no newdata to predict on, so by default it made predictions on your training data. Those predictions had the wrong dimensions for assigning a new column to the test data frame.
I also have a probit model
When I executed this command
Validationdataframe$pprobit <- predict(probit, Validationdataframe, type="response")
It gave me the same error.
Strange...
Can you help me again?
It should work if you model is valid.
Run this towards understanding the issue.
print(probit)
print(summary(probit))
print(predict(probit, Validationdataframe, type="response"))
print(probit)
Call: glm(formula = TrainingSet$ECESS_P ~ TrainingSet$EFJR0 + TrainingSet$NUTSII_13 +
TrainingSet$vvnGroup + TrainingSet$npsGroup + TrainingSet$ECAES,
family = binomial(link = "probit"))
Coefficients:
(Intercept) TrainingSet$EFJR0 TrainingSet$NUTSII_1315 TrainingSet$NUTSII_1316
-1.075089 -0.589951 0.064106 -0.021194
TrainingSet$NUTSII_1317 TrainingSet$NUTSII_1318 TrainingSet$NUTSII_1320 TrainingSet$NUTSII_1330
0.122817 0.025948 -0.031144 -0.015264
TrainingSet$vvnGroup2 TrainingSet$vvnGroup3 TrainingSet$vvnGroup4 TrainingSet$vvnGroup5
-0.571187 -0.594722 -0.801355 -0.880334
TrainingSet$vvnGroup6 TrainingSet$vvnGroup7 TrainingSet$vvnGroup8 TrainingSet$npsGroup2
-0.764511 -0.784103 -0.968624 -0.434839
TrainingSet$npsGroup3 TrainingSet$npsGroup4 TrainingSet$npsGroup5 TrainingSet$ECAESB
-0.219104 -0.035078 -0.115499 -0.065632
TrainingSet$ECAESC TrainingSet$ECAESD TrainingSet$ECAESE TrainingSet$ECAESF
0.073097 -0.635083 0.115354 0.034979
TrainingSet$ECAESG TrainingSet$ECAESH TrainingSet$ECAESI TrainingSet$ECAESJ
0.084019 0.226564 0.217023 0.313043
TrainingSet$ECAESK TrainingSet$ECAESL TrainingSet$ECAESM TrainingSet$ECAESN
0.155560 0.088621 -0.001941 0.496738
TrainingSet$ECAESP TrainingSet$ECAESQ TrainingSet$ECAESR TrainingSet$ECAESS
0.211236 -0.009900 0.280232 -0.087971
Degrees of Freedom: 1335005 Total (i.e. Null); 1334970 Residual
Null Deviance: 1117000
Residual Deviance: 1044000 AIC: 1044000print(summary(probit))
Call:
glm(formula = empresas19c$ECESS_P ~ empresas19c$EFJR0 + empresas19c$NUTSII_13 +
empresas19c$vvnGroup + empresas19c$npsGroup + empresas19c$ECAES,
family = binomial(link = "probit"))
Deviance Residuals:
Min 1Q Median 3Q Max
-0.8855 -0.6065 -0.5371 -0.3253 3.5859
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.075089 0.004852 -221.564 < 2e-16 ***
empresas19c$EFJR0 -0.589951 0.003756 -157.070 < 2e-16 ***
empresas19c$NUTSII_1315 0.064106 0.006093 10.522 < 2e-16 ***
empresas19c$NUTSII_1316 -0.021194 0.003951 -5.363 8.16e-08 ***
empresas19c$NUTSII_1317 0.122817 0.003546 34.639 < 2e-16 ***
empresas19c$NUTSII_1318 0.025948 0.005956 4.357 1.32e-05 ***
empresas19c$NUTSII_1320 -0.031144 0.009662 -3.224 0.00127 **
empresas19c$NUTSII_1330 -0.015264 0.009825 -1.554 0.12027
empresas19c$vvnGroup2 -0.571187 0.025707 -22.219 < 2e-16 ***
empresas19c$vvnGroup3 -0.594722 0.034643 -17.167 < 2e-16 ***
empresas19c$vvnGroup4 -0.801355 0.066300 -12.087 < 2e-16 ***
empresas19c$vvnGroup5 -0.880334 0.094133 -9.352 < 2e-16 ***
empresas19c$vvnGroup6 -0.764511 0.107004 -7.145 9.02e-13 ***
empresas19c$vvnGroup7 -0.784103 0.155203 -5.052 4.37e-07 ***
empresas19c$vvnGroup8 -0.968624 0.362502 -2.672 0.00754 **
empresas19c$npsGroup2 -0.434839 0.020070 -21.667 < 2e-16 ***
empresas19c$npsGroup3 -0.219104 0.027963 -7.836 4.67e-15 ***
empresas19c$npsGroup4 -0.035078 0.048449 -0.724 0.46905
empresas19c$npsGroup5 -0.115499 0.131322 -0.880 0.37912
empresas19c$ECAESB -0.065632 0.066283 -0.990 0.32208
empresas19c$ECAESC 0.073097 0.008405 8.697 < 2e-16 ***
empresas19c$ECAESD -0.635083 0.036010 -17.636 < 2e-16 ***
empresas19c$ECAESE 0.115354 0.055328 2.085 0.03708 *
empresas19c$ECAESF 0.034979 0.007447 4.697 2.64e-06 ***
empresas19c$ECAESG 0.084019 0.005863 14.331 < 2e-16 ***
empresas19c$ECAESH 0.226564 0.010736 21.102 < 2e-16 ***
empresas19c$ECAESI 0.217023 0.006449 33.653 < 2e-16 ***
empresas19c$ECAESJ 0.313043 0.012008 26.069 < 2e-16 ***
empresas19c$ECAESK 0.155560 0.013531 11.497 < 2e-16 ***
empresas19c$ECAESL 0.088621 0.009720 9.117 < 2e-16 ***
empresas19c$ECAESM -0.001941 0.006536 -0.297 0.76649
empresas19c$ECAESN 0.496738 0.005548 89.540 < 2e-16 ***
empresas19c$ECAESP 0.211236 0.007543 28.004 < 2e-16 ***
empresas19c$ECAESQ -0.009900 0.006890 -1.437 0.15076
empresas19c$ECAESR 0.280232 0.008756 32.003 < 2e-16 ***
empresas19c$ECAESS -0.087971 0.007940 -11.079 < 2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 1116807 on 1335005 degrees of freedom
Residual deviance: 1043808 on 1334970 degrees of freedom
AIC: 1043880
Number of Fisher Scoring iterations: 6print(predict(probit, Validationdataframe, type="response"))
1 2 3 4 5 6 7 8 9 10 11
0.1470566 0.1470566 0.1343128 0.1411675 0.1364776 0.1704796 0.1411675 0.1377789 0.1377789 0.1377789 0.1704796
12 13 14 15 16 17 18 19 20 21 22
0.1470566 0.1470566 0.1364776 0.1364776 0.1560124 0.1364776 0.1364776 0.1470566 0.1470566 0.1470566 0.1470566
23 24 25 26 27 28 29 30 31 32 33
0.1411675 0.1364776 0.1364776 0.1364776 0.1704796 0.1411675 0.1364776 0.1377789 0.1560124 0.1560124 0.1411675
34 35 36 37 38 39 40 41 42 43 44
0.1411675 0.1704796 0.1364776 0.1411675 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1560124
45 46 47 48 49 50 51 52 53 54 55
0.1560124 0.1560124 0.1560124 0.1560124 0.1364776 0.1560124 0.1560124 0.1704796 0.1560124 0.1470566 0.1470566
56 57 58 59 60 61 62 63 64 65 66
0.1470566 0.1470566 0.1470566 0.1411675 0.1470566 0.1704796 0.1364776 0.1364776 0.1704796 0.1470566 0.1470566
67 68 69 70 71 72 73 74 75 76 77
0.1470566 0.1470566 0.1411675 0.1704796 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1411675 0.1411675
78 79 80 81 82 83 84 85 86 87 88
0.1411675 0.1560124 0.1364776 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1704796
89 90 91 92 93 94 95 96 97 98 99
0.1411675 0.1704796 0.1364776 0.1364776 0.1704796 0.1364776 0.1470566 0.1470566 0.1470566 0.1364776 0.1364776
100 101 102 103 104 105 106 107 108 109 110
0.1364776 0.1364776 0.1364776 0.1470566 0.1364776 0.1364776 0.1377789 0.1364776 0.1364776 0.1364776 0.1377789
111 112 113 114 115 116 117 118 119 120 121
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1377789 0.1377789 0.1377789
122 123 124 125 126 127 128 129 130 131 132
0.1364776 0.1364776 0.1411675 0.1364776 0.1704796 0.1470566 0.1364776 0.1364776 0.1364776 0.1704796 0.1411675
133 134 135 136 137 138 139 140 141 142 143
0.1364776 0.1560124 0.1364776 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566
144 145 146 147 148 149 150 151 152 153 154
0.1704796 0.1704796 0.1411675 0.1470566 0.1704796 0.1704796 0.1411675 0.1560124 0.1560124 0.1560124 0.1704796
155 156 157 158 159 160 161 162 163 164 165
0.1411675 0.1411675 0.1704796 0.1364776 0.1411675 0.1411675 0.1411675 0.1411675 0.1704796 0.1704796 0.1411675
166 167 168 169 170 171 172 173 174 175 176
0.1377789 0.1704796 0.1704796 0.1560124 0.1411675 0.1364776 0.1364776 0.1364776 0.1364776 0.1704796 0.1411675
177 178 179 180 181 182 183 184 185 186 187
0.1470566 0.1470566 0.1470566 0.1411675 0.1704796 0.1411675 0.1704796 0.1704796 0.1411675 0.1411675 0.1470566
188 189 190 191 192 193 194 195 196 197 198
0.1470566 0.1377789 0.1704796 0.1364776 0.1470566 0.1470566 0.1470566 0.1411675 0.1470566 0.1411675 0.1411675
199 200 201 202 203 204 205 206 207 208 209
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1470566 0.1364776 0.1470566 0.1470566 0.1411675 0.1411675
210 211 212 213 214 215 216 217 218 219 220
0.1411675 0.1470566 0.1364776 0.1704796 0.1560124 0.1364776 0.1364776 0.1364776 0.1704796 0.1364776 0.1364776
221 222 223 224 225 226 227 228 229 230 231
0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1704796 0.1704796 0.1364776 0.1470566
232 233 234 235 236 237 238 239 240 241 242
0.1470566 0.1470566 0.1470566 0.1364776 0.1364776 0.1364776 0.1364776 0.1470566 0.1470566 0.1470566 0.1364776
243 244 245 246 247 248 249 250 251 252 253
0.1364776 0.1704796 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1343128 0.1411675 0.1411675 0.1470566
254 255 256 257 258 259 260 261 262 263 264
0.1470566 0.1470566 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1411675 0.1411675 0.1411675
265 266 267 268 269 270 271 272 273 274 275
0.1411675 0.1411675 0.1411675 0.1411675 0.1364776 0.1704796 0.1470566 0.1470566 0.1343128 0.1343128 0.1343128
276 277 278 279 280 281 282 283 284 285 286
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
287 288 289 290 291 292 293 294 295 296 297
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1364776 0.1704796 0.1470566 0.1411675
298 299 300 301 302 303 304 305 306 307 308
0.1411675 0.1470566 0.1470566 0.1411675 0.1411675 0.1364776 0.1411675 0.1364776 0.1364776 0.1364776 0.1364776
309 310 311 312 313 314 315 316 317 318 319
0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1470566 0.1411675 0.1411675 0.1364776 0.1364776
320 321 322 323 324 325 326 327 328 329 330
0.1470566 0.1470566 0.1704796 0.1560124 0.1704796 0.1411675 0.1411675 0.1364776 0.1411675 0.1704796 0.1470566
331 332 333 334 335 336 337 338 339 340 341
0.1343128 0.1343128 0.1364776 0.1411675 0.1470566 0.1411675 0.1470566 0.1470566 0.1470566 0.1470566 0.1411675
342 343 344 345 346 347 348 349 350 351 352
0.1470566 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1560124 0.1560124
353 354 355 356 357 358 359 360 361 362 363
0.1364776 0.1364776 0.1364776 0.1411675 0.1411675 0.1411675 0.1343128 0.1343128 0.1343128 0.1364776 0.1470566
364 365 366 367 368 369 370 371 372 373 374
0.1470566 0.1560124 0.1364776 0.1704796 0.1343128 0.1343128 0.1343128 0.1343128 0.1343128 0.1470566 0.1470566
375 376 377 378 379 380 381 382 383 384 385
0.1364776 0.1560124 0.1560124 0.1560124 0.1343128 0.1343128 0.1560124 0.1560124 0.1560124 0.1560124 0.1560124
386 387 388 389 390 391 392 393 394 395 396
0.1560124 0.1411675 0.1411675 0.1560124 0.1411675 0.1411675 0.1343128 0.1343128 0.1411675 0.1411675 0.1411675
397 398 399 400 401 402 403 404 405 406 407
0.1411675 0.1411675 0.1411675 0.1364776 0.1411675 0.1411675 0.1411675 0.1560124 0.1411675 0.1411675 0.1411675
408 409 410 411 412 413 414 415 416 417 418
0.1411675 0.1411675 0.1560124 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1470566 0.1364776
419 420 421 422 423 424 425 426 427 428 429
0.1377789 0.1411675 0.1411675 0.1411675 0.1364776 0.1364776 0.1343128 0.1704796 0.1411675 0.1411675 0.1704796
430 431 432 433 434 435 436 437 438 439 440
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1470566 0.1470566
441 442 443 444 445 446 447 448 449 450 451
0.1470566 0.1470566 0.1411675 0.1704796 0.1364776 0.1364776 0.1364776 0.1377789 0.1470566 0.1364776 0.1364776
452 453 454 455 456 457 458 459 460 461 462
0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1411675 0.1364776
463 464 465 466 467 468 469 470 471 472 473
0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1411675 0.1364776 0.1364776
474 475 476 477 478 479 480 481 482 483 484
0.1364776 0.1470566 0.1411675 0.1470566 0.1470566 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
485 486 487 488 489 490 491 492 493 494 495
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1704796 0.1411675 0.1411675 0.1470566 0.1470566 0.1364776
496 497 498 499 500 501 502 503 504 505 506
0.1364776 0.1364776 0.1364776 0.1364776 0.1377789 0.1377789 0.1411675 0.1704796 0.1470566 0.1470566 0.1704796
507 508 509 510 511 512 513 514 515 516 517
0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1377789 0.1377789 0.1377789 0.1411675 0.1704796 0.1704796
518 519 520 521 522 523 524 525 526 527 528
0.1560124 0.1560124 0.1560124 0.1470566 0.1470566 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776
529 530 531 532 533 534 535 536 537 538 539
0.1560124 0.1364776 0.1364776 0.1364776 0.1470566 0.1470566 0.1704796 0.1704796 0.1470566 0.1470566 0.1364776
540 541 542 543 544 545 546 547 548 549 550
0.1470566 0.1377789 0.1377789 0.1470566 0.1704796 0.1377789 0.1343128 0.1470566 0.1364776 0.1411675 0.1411675
551 552 553 554 555 556 557 558 559 560 561
0.1411675 0.1377789 0.1377789 0.1377789 0.1377789 0.1704796 0.1364776 0.1704796 0.1704796 0.1411675 0.1411675
562 563 564 565 566 567 568 569 570 571 572
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1470566 0.1411675 0.1411675
573 574 575 576 577 578 579 580 581 582 583
0.1411675 0.1411675 0.1364776 0.1704796 0.1560124 0.1560124 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
584 585 586 587 588 589 590 591 592 593 594
0.1411675 0.1364776 0.1364776 0.1470566 0.1470566 0.1364776 0.1364776 0.1364776 0.1411675 0.1411675 0.1470566
595 596 597 598 599 600 601 602 603 604 605
0.1470566 0.1364776 0.1704796 0.1470566 0.1470566 0.1470566 0.1364776 0.1377789 0.1377789 0.1377789 0.1377789
606 607 608 609 610 611 612 613 614 615 616
0.1377789 0.1704796 0.1560124 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1364776 0.1411675 0.1364776
617 618 619 620 621 622 623 624 625 626 627
0.1364776 0.1411675 0.1364776 0.1470566 0.1470566 0.1470566 0.1470566 0.1704796 0.1470566 0.1470566 0.1411675
628 629 630 631 632 633 634 635 636 637 638
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1470566 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
639 640 641 642 643 644 645 646 647 648 649
0.1377789 0.1377789 0.1411675 0.1364776 0.1364776 0.1343128 0.1343128 0.1704796 0.1364776 0.1377789 0.1377789
650 651 652 653 654 655 656 657 658 659 660
0.1377789 0.1377789 0.1377789 0.1377789 0.1704796 0.1411675 0.1411675 0.1470566 0.1560124 0.1560124 0.1560124
661 662 663 664 665 666 667 668 669 670 671
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
672 673 674 675 676 677 678 679 680 681 682
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
683 684 685 686 687 688 689 690 691 692 693
0.1411675 0.1411675 0.1411675 0.1411675 0.1704796 0.1704796 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
694 695 696 697 698 699 700 701 702 703 704
0.1411675 0.1560124 0.1364776 0.1364776 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
705 706 707 708 709 710 711 712 713 714 715
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1470566 0.1470566 0.1411675 0.1411675 0.1411675
716 717 718 719 720 721 722 723 724 725 726
0.1411675 0.1704796 0.1704796 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
727 728 729 730 731 732 733 734 735 736 737
0.1411675 0.1411675 0.1411675 0.1411675 0.1470566 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1364776
738 739 740 741 742 743 744 745 746 747 748
0.1364776 0.1364776 0.1364776 0.1470566 0.1343128 0.1343128 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566
749 750 751 752 753 754 755 756 757 758 759
0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1364776 0.1364776
760 761 762 763 764 765 766 767 768 769 770
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675
771 772 773 774 775 776 777 778 779 780 781
0.1411675 0.1364776 0.1704796 0.1364776 0.1364776 0.1364776 0.1411675 0.1704796 0.1377789 0.1377789 0.1364776
782 783 784 785 786 787 788 789 790 791 792
0.1470566 0.1470566 0.1470566 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1364776 0.1411675
793 794 795 796 797 798 799 800 801 802 803
0.1364776 0.1470566 0.1364776 0.1364776 0.1377789 0.1364776 0.1364776 0.1411675 0.1411675 0.1411675 0.1411675
804 805 806 807 808 809 810 811 812 813 814
0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1411675 0.1704796 0.1343128 0.1343128 0.1343128 0.1343128
815 816 817 818 819 820 821 822 823 824 825
0.1343128 0.1343128 0.1343128 0.1343128 0.1470566 0.1470566 0.1470566 0.1704796 0.1411675 0.1411675 0.1411675
826 827 828 829 830 831 832 833 834 835 836
0.1704796 0.1364776 0.1364776 0.1411675 0.1364776 0.1411675 0.1411675 0.1470566 0.1364776 0.1470566 0.1470566
837 838 839 840 841 842 843 844 845 846 847
0.1364776 0.1704796 0.1704796 0.1364776 0.1470566 0.1704796 0.1364776 0.1364776 0.1704796 0.1470566 0.1364776
848 849 850 851 852 853 854 855 856 857 858
0.1364776 0.1364776 0.1364776 0.1377789 0.1377789 0.1560124 0.1560124 0.1560124 0.1560124 0.1377789 0.1411675
859 860 861 862 863 864 865 866 867 868 869
0.1470566 0.1411675 0.1411675 0.1364776 0.1364776 0.1364776 0.1364776 0.1411675 0.1411675 0.1411675 0.1411675
870 871 872 873 874 875 876 877 878 879 880
0.1411675 0.1377789 0.1377789 0.1377789 0.1377789 0.1377789 0.1377789 0.1364776 0.1364776 0.1411675 0.1470566
881 882 883 884 885 886 887 888 889 890 891
0.1470566 0.1470566 0.1411675 0.1411675 0.1343128 0.1364776 0.1470566 0.1411675 0.1411675 0.1411675 0.1411675
892 893 894 895 896 897 898 899 900 901 902
0.1364776 0.1411675 0.1364776 0.1364776 0.1411675 0.1364776 0.1377789 0.1377789 0.1343128 0.1343128 0.1364776
903 904 905 906 907 908 909 910 911 912 913
0.1364776 0.1364776 0.1704796 0.1364776 0.1411675 0.1411675 0.1343128 0.1364776 0.1470566 0.1470566 0.1411675
914 915 916 917 918 919 920 921 922 923 924
0.1704796 0.1364776 0.1411675 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1704796 0.1364776
925 926 927 928 929 930 931 932 933 934 935
0.1364776 0.1364776 0.1470566 0.1470566 0.1470566 0.1470566 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776
936 937 938 939 940 941 942 943 944 945 946
0.1470566 0.1470566 0.1470566 0.1364776 0.1560124 0.1560124 0.1560124 0.1560124 0.1411675 0.1560124 0.1560124
947 948 949 950 951 952 953 954 955 956 957
0.1560124 0.1560124 0.1364776 0.1560124 0.1470566 0.1470566 0.1470566 0.1364776 0.1411675 0.1470566 0.1470566
958 959 960 961 962 963 964 965 966 967 968
0.1470566 0.1470566 0.1470566 0.1470566 0.1470566 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776
969 970 971 972 973 974 975 976 977 978 979
0.1470566 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1704796
980 981 982 983 984 985 986 987 988 989 990
0.1364776 0.1364776 0.1364776 0.1364776 0.1364776 0.1470566 0.1364776 0.1364776 0.1364776 0.1364776 0.1364776
991 992 993 994 995 996 997 998 999 1000
0.1364776 0.1364776 0.1411675 0.1411675 0.1364776 0.1364776 0.1411675 0.1411675 0.1411675 0.1411675
[ reached getOption("max.print") -- omitted 1334006 entries ]
Warning message:
'newdata' had 1317308 rows but variables found have 1335006 rowsI see this warning.
'newdata' had 1317308 rows but variables found have 1335006 rows
I think you might have some NAs in the predictor variables, so the length of your predictions is different than the length of the data frame.
You can try this. If this doesn't work, I think you'll need to provide a minimal reproducible example.
predict(probit, Validationdataframe, type="response", na.action = na.exclude)
My data set don´t have NA. If it had, it wouldn´t work correctly for the logit prediction as it did.
But even run your suggested command I got the same error.
I think you should switch to using a formula with data frame column names and a data = argument in the glm.
glm(formula = response ~ predictor1 + predictor2, data = train_data, ...
Perhaps predict is getting confused with the predictor names because they were specified as vectors instead of data frame column names.
This topic was automatically closed 42 days after the last reply. New replies are no longer allowed.
If you have a query related to it or one of the replies, start a new topic and refer back with a link.